Микроскоп с машинным обучением адаптирует освещение для улучшения диагностики

Инженеры из Университета Дьюка разработали микроскоп, который адаптирует углы освещения, цвета и узоры, одновременно обучаясь оптимальным настройкам, необходимым для выполнения данной диагностической задачи.

В ходе первоначального исследования концепции микроскопа одновременно разработала схему освещения и систему классификации, которые позволили ему быстрее идентифицировать эритроциты, инфицированные малярийным паразитом, более точно, чем обученные врачи и другие подходы к машинному обучению.

Результаты будут опубликованы 19 ноября в журнале Biomedical Optics Express .

«Стандартный микроскоп освещает образец одинаковым количеством света, исходящего со всех сторон, и это освещение было оптимизировано для человеческих глаз на протяжении сотен лет», — сказал Рорк Хорстмайер, доцент кафедры биомедицинской инженерии в Duke.

«Но компьютеры могут видеть то, чего не могут видеть люди», — сказал Хортмайер. «Таким образом, мы не только переработали оборудование, чтобы обеспечить широкий спектр вариантов освещения, мы позволили микроскопу оптимизировать освещение для себя».

Вместо того, чтобы рассеивать белый свет снизу для равномерного освещения слайда, инженеры разработали чашеобразный источник света со светодиодами, встроенными по всей его поверхности. Это позволяет освещать образцы под разными углами почти до 90 градусов разными цветами, что по существу отбрасывает тени и выделяет различные детали образца в зависимости от схемы используемых светодиодов.

Затем исследователи загрузили в микроскоп сотни образцов инфицированных малярией эритроцитов, приготовленных в виде тонких мазков, в которых тела клеток остаются целыми и в идеале распределены в один слой на предметном стекле микроскопа. Используя алгоритм машинного обучения, называемый сверточной нейронной сетью, микроскоп узнал, какие особенности образца были наиболее важны для диагностики малярии и как лучше всего выделить эти особенности.

Алгоритм в конечном итоге остановился на кольцеобразном светодиодном узоре разного цвета, идущем под относительно большими углами. Хотя полученные изображения более шумные, чем обычные изображения с микроскопа, они выделяют малярийного паразита ярким пятном и правильно классифицируются примерно в 90% случаев. Квалифицированные врачи и другие алгоритмы машинного обучения обычно работают с точностью около 75 процентов.

«Узоры, которые он выделяет, напоминают кольца разных цветов, которые неоднородны и не обязательно очевидны», — сказал Хорстмайер. «Несмотря на то, что изображения более тусклые и шумные, чем те, которые создал бы врач, алгоритм говорит, что он будет жить с шумом, он просто действительно хочет выделить паразита, чтобы помочь ему поставить диагноз».

Затем Хорстмайер отправил схему светодиодов и алгоритм сортировки в лабораторию другого сотрудника по всему миру, чтобы проверить, можно ли применить результаты к различным настройкам микроскопа. Другая лаборатория показала аналогичные успехи.

«Врачи должны просмотреть тысячу клеток, чтобы найти единственного малярийного паразита», — сказал Хорстмайер. «И поскольку им нужно увеличивать масштаб так близко, они могут смотреть только на дюжину за раз, поэтому чтение слайда занимает около 10 минут. Если бы им нужно было посмотреть только на горстку клеток, которые наш микроскоп уже выбрал в считанные секунды, это значительно ускорит процесс «

Исследователи также показали, что микроскоп хорошо работает с густыми мазками крови, в которых эритроциты образуют крайне неоднородный фон и могут быть разрушены. При этой подготовке алгоритм машинного обучения работал успешно в 99% случаев.

По словам Хорстмейера, ожидается повышение точности, поскольку испытанные толстые мазки были более сильно окрашены, чем тонкие мазки, и показали более высокий контраст. Но они также требуют больше времени на подготовку, и отчасти мотивация проекта заключается в сокращении времени диагностики в условиях ограниченных ресурсов, где обученных врачей мало, а узкие места являются нормой.

Получив этот первоначальный успех, Хорстмайер продолжает разработку как микроскопа, так и алгоритма машинного обучения.

Группа аспирантов-инженеров Duke сформировала стартап-компанию SafineAI, чтобы уменьшить масштаб реконфигурируемого светодиодного микроскопа, который уже получил приз в размере 120 000 долларов на местном питч-конкурсе.

Тем временем Хорстмейер работает с другим алгоритмом машинного обучения, чтобы создать версию микроскопа, которая может настраивать свой светодиодный рисунок в соответствии с любым конкретным слайдом, который он пытается прочитать.

«По сути, мы пытаемся внести свой вклад в процесс получения изображений», — сказал Хорстмайер. «Мы хотим, чтобы микроскоп использовал все степени свободы. Поэтому вместо того, чтобы тупо делать изображения, он может поиграть с фокусировкой и освещением, чтобы попытаться получить лучшее представление о том, что находится на слайде, как это сделал бы человек. «